我最近几年的研究主要集中在万维网（World Wide Web）的纵向搜索（也称垂直搜索）、信息抽取、以及知识发现等方向，包括以下几个方面：

1. 研究了一种纵向搜索技术，其核心思想是以统一的图语言表达从网页抽取实体和关系、XML文档转换、以及数据查询等流程。以这一技术为基础建立的SESQ系统，支持以关键字表示的领域主题，能够完成万维网上网页发现、信息抽取、建立数据库与索引等全过程。由SESQ建立的数据库支持关键字查询、类SQL的复杂查询、以及图形界面查询和浏览的功能。此项研究成为欧盟第六合作框架项目 “ALVIS – Superpeer Semantic Search Engine”（2005-2007）的一个亮点。

2. 在全网规模研究了中文万维网的基本状况。我们以工业搜索引擎抓取的中文HTML网页为基础，通过特征抽取、数据挖掘等方法，对中文深度万维网数据库（Deep Web Databases）进行了统计，发现中文万维网上目前约有64万个深度万维网数据库，它们分别分布在商业、教育、科学、娱乐等领域。同时，深度万维网数据库中，约有一半的查询界面只有单个输入框。以传统的抽样统计方法相比，我们这种Web规模的挖掘方法更加真实地揭示了中文万维网的现状，为更深入地研究和开发中文万维网提供了一个较好的开端。

3. 对中文万维网进行了全网规模的知识发现与抽取。我们研究了一种自主式建立双语词典的方法。该方法以工业搜索引擎抓取的中英文HTML网页作为输入，不依赖任何事前建立的语料库，避免了中文分词以及采用自然语言处理的机器学习算法带来的缺点。我们通过提出的I-Tree数据结构及为其设计的算法，对双语翻译的候选词条进行词频统计与排序，并自动构造双语词典。在数据集上的测试结果表明，我们建立的词典在准确率上不低于互联网上的商业词典系统，而且覆盖了广泛流行的网络用语。该方法具有独立于语言的特性，可用于万维网上其它语词典的构建。该方法已申请专利。

4. 随着Web 2.0的兴起，万维网上出现了很多大规模的社会网络，如何从超大型社会网络中检测社区是一个颇具挑战性的难题。我的研究小组通过把社区抽象为图，并提出了一系列的图挖掘算法，为解决这一难题做出了贡献。例如，我们提出了一种基于动态临近性计算的社会网络社区挖掘算法。该算法采用了动态对照网络拓扑结构和拓扑临近性的策略，通常将二者通过几轮相互加强的迭代过程，网络社区会逐渐呈现出来。实验表明，该算法针对大型网络（如包含几百万个节点、上亿条边）进行社区发现是可行的。相应的论文已在国际数据挖掘顶级会议SIGKDD 09上作为长文发表。